Робастное обучение радиально-базисных сетей

Abstract

Розглянуто питання сталого навчання радіально-базисних мереж за наявності завад вимірювань, що мають розподіл, відмінний від нормального. Результати моделювання свідчать про те, що в цьому випадку достатньо ефективними є багатокрокові проекційні алгоритми навчання, які мінімізують різноманітні види модульних критеріїв.

The paper considers the steady training of radial-basis networks in the presence of non-normally distributed noise. The simulation results show that multistep projection training algorithms, which minimize various module criteria, are rather efficient in this case. Figs: 3. Tabl.: 1. Refs: 17 titles.